机器学习辅助筛选MOFs缓蚀剂载体及其吸附性能预测

摘要

[目的]针对醇类、硫醇类有机缓蚀剂易挥发、表面稳定性差的问题，提出结合高通量计算筛选(HTS)与机器学习(ML)的MOFs(金属-有机框架化合物)材料设计策略，以实现高效缓蚀剂载体的快速开发。[方法]以甲醇、乙醇、甲硫醇和乙硫醇为目标分子，通过巨正则蒙特卡洛(GCMC)模拟计算31 399种假设性MOFs(hMOFs)的吸附性能，并采用8种机器学习算法建立结构-性能关系模型。[结果]在选取的8种机器学习方法中，梯度提升回归(GBR)、随机森林(RF)、极端梯度提升(XGB)和极端随机森林(ET)这4种算法均能很好地预测出MOF-缓蚀剂的表面吸附性能，其中吸附热、密度和孔隙率是影响吸附性能的关键参数。通过调整金属活性中心和有机链接有望获得高性能缓蚀剂。[结论]本研究建立的“HTS+ML”方法具有高效、快速、准确的优点，不仅能够节省大量人力、物力和时间，还能为有机缓蚀剂的性能提升和实际应用提供理论指导。

关键词

有机缓蚀剂 / 金属-有机框架 / 机器学习 / 高通量计算筛选 / 吸附